論文の概要: VidParse: Online Parsing of Egocentric Procedures Like a Pro
- arxiv url: http://arxiv.org/abs/2608.27562v1
- Date: Thu, 27 Aug 2026 18:00:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.107898
- Title: VidParse: Online Parsing of Egocentric Procedures Like a Pro
- Title（参考訳）: VidParse: プロのようにエゴセントリックな手続きをオンラインでパース
- Abstract要約: 本稿では,アクティビティ理解をグラフ制約付き推論問題として扱うオンラインフレームワークであるVidParseを紹介する。
厳密な視覚セグメントを厳密な手続き的制約に固定することにより、長距離状態遷移を保ち、複雑な多段階解析の精度を最大10倍に向上させる。
- 参考スコア（独自算出の注目度）: 44.77721538280088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Translating continuous, noisy egocentric video streams into discrete, temporally ordered action steps is fraught with visual challenges. Heavy ego-motion, transient occlusions, and the high intra-class variability of unscripted human-object interactions cause standard frame-level online temporal models to struggle, often resulting in severe over-segmentation and structural collapse. To bridge the gap between unstable low-level perception and high-level procedural logic, we present VidParse, an online, training-free framework that treats activity understanding as a graph-constrained inference problem. Rather than relying on learned temporal filters, we dynamically identify semantic transitions using a temporal similarity matrix over manipulation-anchored features, which are extracted from frozen foundation models to prioritize foreground hand-object interactions. A beam search decoder then leverages an induced procedural task graph to explicitly enforce valid action transitions and prune impossible trajectories. By anchoring robust visual segments to hard procedural constraints, our approach preserves long-range state transitions and achieves up to a 10x improvement in complex multi-step parsing accuracy over strong online baselines, all without requiring a single gradient update.
- Abstract（参考訳）: 連続的、ノイズの多いエゴシックなビデオストリームを、離散的、時間的に順序付けられたアクションステップに変換することは、視覚的な課題に満ちている。
重い自我運動、過渡的排他的排他性、および説明されていない人間と物体の相互作用の高いクラス内変動は、標準的なフレームレベルのオンライン時間モデルに苦慮し、しばしば重度の過密化と構造的崩壊をもたらす。
不安定な低レベル認識と高レベルの手続き論理のギャップを埋めるために,アクティビティ理解をグラフ制約推論問題として扱うオンライン学習自由フレームワークVidParseを提案する。
学習した時間的フィルタに頼らず、凍結基礎モデルから抽出した時間的類似度行列を用いて動的に意味遷移を同定し、前景と対象の相互作用を優先順位付けする。
ビームサーチデコーダは、誘導された手続きタスクグラフを利用して、有効な動作遷移を明示的に強制し、不可能な軌道をプルーンする。
厳密な視覚セグメントを厳密な手続き的制約に固定することにより、長距離状態遷移を保ち、単一の勾配更新を必要とせずに、強力なオンラインベースラインよりも複雑な多段階解析精度を最大10倍向上させることができる。
関連論文リスト
- In-Context Forcing: Uncovering Context Effects in Autoregressive Video Diffusion [52.18702395026718]
In-Context Forcingは、雑音レベルを下げるコンテキストを利用するプログレッシブ・オートレグレッシブ・パラダイムである。
遠方のフレームにマスキングを減らし、隣接するフレームにマスキングを減らすことにより、このアプローチは適応的なガイダンスを提供する。
提案手法は, 視覚的忠実度と推論速度の両方において, 最先端のアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2026-08-05T13:54:31Z) - Video-Text Temporal Localization via Multi-Scale Convolution and Dynamic Routing [7.704586969939547]
ビデオテキストの時間的ローカライゼーションには、自然言語クエリと対応するビデオセグメントの正確なアライメントが必要である。
本稿では,既存手法の2つの限界に対処する新しい枠組みを提案する。
その結果,階層型時間モデルと構造化セマンティック・ルーティングを組み合わせることで,ビデオ言語理解に有効な解が得られた。
論文 参考訳（メタデータ） (2026-07-06T13:52:46Z) - RhymeFlow: Training-Free Acceleration for Video Generation with Asynchronous Denoising Flow Scheduling [51.279397568734424]
Diffusion Transformers (DiTs) に基づく映像生成モデルは,映像合成において顕著な性能を発揮している。
DiTは3次元の注意の二次的な複雑さのために、高い推論遅延と計算コストに悩まされる。
我々はbftextRhymeFlowを紹介した。bftextRhymeFlowはトレーニング不要のフレームワークで、異なるフレームの認知軌道を分離する。
論文 参考訳（メタデータ） (2026-06-04T15:49:37Z) - Can Video Diffusion Models Predict Past Frames? Bidirectional Cycle Consistency for Reversible Interpolation [25.677744104220853]
ビデオフレームは、特定の動作セマンティクスに固執しながら、所定のエンドポイント間で現実的な中間フレームを合成することを目的としている。
本稿では,前向きと後向きの軌跡の対称性を強制する新しい双方向フレームワークを提案する。
本手法は,37フレームと73フレームの両方のタスクにおいて,画像品質,運動の滑らかさ,動的制御における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-02T06:58:46Z) - SutureAgent: Learning Surgical Trajectories via Goal-conditioned Offline RL in Pixel Space [22.300952176139948]
内視鏡的ビデオからの針の軌跡の予測はロボットによる縫合に不可欠である。
画像に基づく針軌道予測を逐次決定問題として定式化する。
SutureAgentは、観測エンコーダを使用して可変長クリップを符号化し、局所的な空間的キューと長距離時間ダイナミクスの両方をキャプチャする。
論文 参考訳（メタデータ） (2026-03-19T01:36:07Z) - Knot Forcing: Taming Autoregressive Video Diffusion Models for Real-time Infinite Interactive Portrait Animation [16.692450893925148]
リアルタイム・ポートレート・アニメーションのためのKnot Forcingという新しいストリーミング・フレームワークを提案する。
Kノットフォーシングは、無限列上の高忠実で時間的に一貫性があり、インタラクティブなポートレートアニメーションを可能にする。
論文 参考訳（メタデータ） (2025-12-25T16:34:56Z) - Characterizing Motion Encoding in Video Diffusion Timesteps [50.13907856401258]
本研究では,映像拡散時間ステップにおける動きのエンコードについて,外観編集と動作保存のトレードオフによって検討する。
動作優位の早期体制と,その後に出現優位の体制を同定し,時間空間における動作優位の境界を導出する。
論文 参考訳（メタデータ） (2025-12-18T21:20:54Z) - From Prompt to Progression: Taming Video Diffusion Models for Seamless Attribute Transition [57.809291244375345]
本研究では,スムーズかつ一貫した属性遷移に対する既存モデルの拡張をシンプルかつ効果的に行う手法を提案する。
提案手法は,初期属性フレームから最終属性フレームへの段階的なシフトをフレーム単位に導くことで,各雑音の遅延に対してデータ固有の遷移方向を構築する。
また、属性と動きのダイナミクスを統合した制御属性遷移ベンチマーク(CAT-Bench)を提案する。
論文 参考訳（メタデータ） (2025-09-24T01:58:22Z) - Tracktention: Leveraging Point Tracking to Attend Videos Faster and Better [61.381599921020175]
時間的一貫性は、出力が一貫性があり、アーティファクトがないことを保証するために、ビデオ予測において重要である。
時間的注意や3D畳み込みといった伝統的な手法は、重要な物体の動きに苦しむことがある。
本稿では,ポイントトラックを用いた動き情報を明示的に統合する新しいアーキテクチャコンポーネントであるトラックキート・レイヤを提案する。
論文 参考訳（メタデータ） (2025-03-25T17:58:48Z) - Real-time Controllable Motion Transition for Characters [14.88407656218885]
リアルタイムの動作生成はゲームでは普遍的に必要であり、既存のアニメーションパイプラインでは非常に望ましい。
我々のアプローチは、運動多様体と条件遷移という2つの重要な構成要素から構成される。
提案手法は,複数の測定基準の下で測定された高品質な動きを生成できることを示す。
論文 参考訳（メタデータ） (2022-05-05T10:02:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。